RAG（Retrieval-Augmented Generation，檢索增強生成）是一種結合?信息檢索?和?文本生成?的技術，旨在提升大語言模型（LLM）生成內容的準確性和時效性。其核心思想是：先檢索相關知識，再基于檢索結果生成回答，從而彌補純生成模型（如GPT）的固有缺陷。

---

一、RAG 的核心原理

1. 工作流程：

   • 檢索（Retrieval）：從外部知識庫（如數據庫、文檔）中查找與用戶問題相關的信息。

   • 增強（Augmentation）：將檢索到的內容作為上下文插入到LLM的輸入中。

   • 生成（Generation）：LLM 結合檢索到的知識和自身預訓練知識生成最終回答。

2. 技術對比：

   方法	優點	缺點
   純生成模型	無需額外數據，回答流暢	容易“幻覺”（編造事實），知識過時
   RAG	回答更準確，可動態更新知識	依賴檢索質量，響應速度略慢

---

二、RAG 的典型應用場景

1. 知識密集型問答

   • 例如：回答“2023年諾貝爾經濟學獎得主是誰？”

   • RAG作用：實時檢索權威新聞或數據庫，確保答案最新。

2. 客服系統

   • 例如：用戶問“如何重置密碼？”

   • RAG作用：檢索企業最新文檔，生成標準化回復。

3. 學術/法律咨詢

   • 例如：“《民法典》中關于租賃合同的規定有哪些？”

   • RAG作用：從法律條文庫中檢索相關條款，生成解讀。